基于极化统计散射成分迁移的极化SAR影像变化检测方法

技术领域

本公开实施例涉及遥感影像数据处理技术领域，尤其涉及一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。

背景技术

目前，相比于光学遥感影像，极化合成孔径雷达(Polarimetric SyntheticAperture Radar,PolSAR)通过主动微波成像能全天时、全天候、大幅面获取地表极化散射信息，能有效克服多云多雨区域成像信息缺失以及云雨烟雾光照等因素的影响，为土地覆盖变化监测应用提供散射信息全面的数据基础。随着国内外诸多PolSAR系统陆续投入生产应用，Sentinel-1、TerraSAR-X、RadarSat-2、ALOS-2/PALSAR-2等星载系统及Pi-SAR、UAVSAR等机载系统，都积累了大量时序PolSAR数据。近年来，高分三号(GF-3)、陆地探测一号系列卫星的成功发射标志着我国PolSAR系统也呈现多通道、多观测角、高时相、高分辨率等发展态势。海量PolSAR影像的累积为土地覆盖变化监测提供了有效数据支持的同时，人工标注样本低效性和时序数据异质性也对PolSAR影像解译模式提出了新的挑战。

由于成像参数及地物分布朝向等差异，在不同时相甚至同一PolSAR影像内同类地物散射特性存在分布偏差，这种散射特征“同质异谱”导致极化特征分布偏移，至今仍制约机器学习对大规模PolSAR影像解译的应用。传统监督学习方法无法克服这种特征偏移，需要对不同时相数据单独标注样本才能获取地物解译信息。另一方面，SAR影像样本标注通常需要专家知识且耗时费力，基于监督机器学习的解译方法依赖大量同质标注样本，严重制约了长时序PolSAR影像的解译效率和变化信息准确跟踪应用。同一地区时序数据可能来自于不同传感器，由于标注样本受限，降低了新近时序PolSAR数据解译时效性，不利于快速准确解译地物覆盖变化监测信息。此外，传统以双帧比较为主的变化检测，通常聚焦是否发生变化的单一检测，缺少具体的地物覆盖类别变化信息，难以满足精细化土地覆盖变化监测应用需求。因此，时序PolSAR面临的大数据小样本和特征域分布偏移问题对传统的变化监测模式提出了新挑战。

可见，亟需一种检测效率、精准度和适应性强的基于极化统计散射成分迁移的极化SAR影像变化检测方法。迁移学习作为可实现不同时相影像模型知识和标注样本迁移复用的有效途径，逐渐受到关注；如何利用迁移学习思想，使有限标注样本或模型知识对新近无标注PolSAR发挥迁移训练作用，从而提高时序PolSAR变化监测效率和精度，是当前的研究热点及难点之一。然而，由于成像特殊性和参数复杂性，针对自然和光学影像的迁移模型难以直接适配于PolSAR影像，亟需研究适配极化特性的迁移学习模型以提升时序PolSAR解译泛化性和时效性。鉴于极化散射机理模型对不同波段不同源PolSAR数据的建模泛化能力，以及迁移学习模型对异源数据内在模式和规律的统一表达能力，本专利发明一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。本专利旨在实现将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息。

发明内容

有鉴于此，本公开实施例提供一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，可以克服时序PolSAR数据之间的分布偏移，进而将有限的标注样本在更多的时序PolSAR数据变化解译中发挥作用。本发明有利于解决现有技术中存在检测效率、精准度和适应性较差的问题。

本公开实施例提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，包括：

步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；

步骤2，时序数据统计散射成分SSC特征提取；

步骤3，源域SSC特征和目标域SSC特征无监督域适应；

步骤4，源域训练模型；

步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；

步骤6，多时相数据变化区域获取及变化类别跟踪。

根据本公开实施例的一种具体实现方式，所述步骤2具体包括：

提取源域S的标注样本的统计散射成分特征F

根据本公开实施例的一种具体实现方式，所述步骤2还包括：

步骤2.1，提取源域S的标注样本和目标域T的无标注数据的基础极化特征；

步骤2.2，将源域S的标注样本的基础极化特征和目标域T的无标注数据的基础极化特征进行Wishart聚类，得到初始化的每个像素的分类结果；

步骤2.3，统计全部像素的初始类别直方图，直方图的维数对应分类类别数目；

步骤2.4，根据直方图获取本征维度估计，并结合主成分分析将高维度的子块聚类标号直方图统计特征降维为保留本征信息的低维特征，形成统计散射成分特征F

根据本公开实施例的一种具体实现方式，所述步骤3具体包括：

利用无监督域适应方法将统计散射成分特征F

根据本公开实施例的一种具体实现方式，所述步骤4具体包括：

利用已有的源域标签Y

根据本公开实施例的一种具体实现方式，所述步骤5具体包括：

利用训练好的分类器模型W直接对无标注的目标域特征F

根据本公开实施例的一种具体实现方式，所述步骤6具体包括：

对于分类结果，基于预先配准或者地理编码信息，将时序影像解译结果的变化信息进行定位，结合变化区域位置检测类别变化信息。

本公开实施例中的基于极化统计散射成分迁移的极化SAR影像变化检测方案，包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，时序数据统计散射成分SSC特征提取；步骤3，源域SSC特征和目标域SSC特征无监督域适应；步骤4，源域训练模型；步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；步骤6，多时相数据变化区域获取及变化类别跟踪。

本公开实施例的有益效果为：通过本公开的方案，将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息，提高了极化SAR影像变化检测的效率、精准度和适应性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种基于极化统计散射成分迁移的极化SAR影像变化检测方法的流程示意图；

图2为本公开实施例提供的另一种基于极化统计散射成分迁移的极化SAR影像变化检测方法的流程示意图；

图3为本公开实施例提供的一种多时相极化SAR数据源域及无标注的目标域数据示意图示意图；

图4为本公开实施例提供的一种时序数据分类和迁移学习分类结果示意图；

图5为本公开实施例提供的一种时序数据之间具体地物覆盖类型变化结果示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，所述方法可以应用于土地覆盖变化监测场景的极化SAR影像变化检测过程中。

参见图1，为本公开实施例提供的一种基于极化统计散射成分迁移的极化SAR影像变化检测方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：

步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；

具体实施时，可以读入时序A极化SAR影像标注样本(源域S)，读入时序B(可以有1到N个)无标注极化SAR影像数据(目标域T)；输入数据可以是全极化SAR数据也可以是双极化SAR数据。

例如，本公开实施例中采用的实验数据为Sentinel-1卫星获取的上海崇明岛区域多时相双极化SAR数据，(也可通过其他PolSAR传感器获取的多时相极化SAR数据进行实施)。所采用的多时相双极化SAR数据信息依次如表1所示。本实施例中，源域数据是Sent-A，含少量标注；目标域数据是Sent-B、Sent-C数据，均不含标注数据，如图3所示，其中，其中(a)为源域数据Sent-A示意图，(b)为源域标注样本示意图(仅取少量的标注样本进行训练)，(c)和(d)均为无标注的多时相时序目标域极化SAR数据(Sent-B、Sent-C)示意图。需要说明的是，本方法能处理的时序数据不限于三景数据，可以是更多时序PolSAR数据，在此不一一赘述。

表1

步骤2，时序数据统计散射成分SSC特征提取；

可选的，所述步骤2具体包括：

提取源域S的标注样本的统计散射成分特征F

进一步的，所述步骤2还包括：

步骤2.1，提取源域S的标注样本和目标域T的无标注数据的基础极化特征；

步骤2.2，将源域S的标注样本的基础极化特征和目标域T的无标注数据的基础极化特征进行Wishart聚类，得到初始化的每个像素的分类结果；

步骤2.3，统计全部像素的初始类别直方图，直方图的维数对应分类类别数目；

步骤2.4，根据直方图获取本征维度估计，并结合主成分分析将高维度的子块聚类标号直方图统计特征降维为保留本征信息的低维特征，形成统计散射成分特征F

具体实施时，时序数据统计散射成分SSC特征提取可以包括四个子步骤：(a)基础极化特征获取；(b)Wishart聚类；(c)区域子块聚类直方图统计；(d)本征维度获取及降维。

(a)基础极化特征提取

经典Wishart聚类实现方法包括Freeman-Wishart聚类、H/alpha/A-Wishart聚类，Yamaguchi-Wishart聚类等，相关理论也证明了其他分解理论获取的基础极化特征也可以进行Wishart聚类。如表2所示，本公开实施例可选取以下7组基础极化特征进行Wishart聚类获取SSC，由于不同极化特征基对不同场景及地区的区分能力存在一定差异，本公开实施例利用这些不同基础极化特征形成不同的SSC，探索不同的跨域极化SAR应用(跨域全极化SAR和跨域双极化SAR的建筑区、植被分析等)。

表2

考虑到Wishart聚类一般采用同一模型获取的同源特征，如Freeman分解、H/alpha/A-Wishart，因此推荐同源特征导入Wishart聚类，具体选取的特征组包括，包括C3元素、T3特征值、Yamaguchi分量、H/alpha/A-Wishart，Touzi分解、极化旋转不变组合和双极化SAR幅度信息，这些选定特征组信息如表1所示。相比于双极化SAR数据，全极化SAR数据能选择的基础极化特征更加丰富，因此所适用的跨域场景也更加全面。

(b)极化特征-Wishart聚类

按照极化SARWishart聚类过程：初始聚类及按照Wishart距离进行迭代分类等，可将上述各特征组合进行Wishart聚类。Wishart聚类后，每个像素都被赋予一个具有散射机制的标签，如H/alpha/A-Wishart的16个聚类具有特定的散射机制。基于经验参数，将Yamaguchi-Wishart聚类为80类，被证明了具有较好的散射机理特征表达效果。极化特征-Wishart统计聚类结合了数据的统计特征和物理散射特征因此可以对极化SAR数据进行具备散射机理可理解的聚类信息获取。

(c)子块聚类标号直方图统计

极化特征-Wishart聚类方法结合了散射机理和Wishart统计分布模型，最终分类结果使得每个类别的像素具有跟目标属性相联系的散射机制。对于极化SAR数据，一定面积的地物目标区域内，一般都含有多种散射类型。例如建筑区域内不仅含有较强的二面体散射和螺旋体散射，而且由于建筑朝向、形态、结构等，也包含一定的体散射和表面散射等。另外，随着不同的建筑类型，其样本区域内包含的地物类型也有所差异。林地区域内含有较强的体散射成分，但是由于树枝结构或者植株疏密等原因，也有一定的二面体散射和表面散射等。而其他低矮植被等类型的散射成分也以表面散射和体散射为主，低矮植被成分比例与林地的散射成分有相似性但也有差异。水体的散射成分以表面散射成分为主，但是水面上不同程度的波浪使得水面散射成分也包含一定的体散射等。

根据上述基于基础极化散射特征和Wishart聚类获取的聚类标号簇结果，可以得到初始化的每个像素的分类结果，同一类别的像素具有相同的主散射机制。统计这些像素的初始类别直方图，直方图的维数对应分类类别数目，将样本子块中每种散射机制的分布信息组成样本区域描述特征的每一维。同样，基于散射机制的统计特征描述了样本子块中各散射机制成分的组成情况，本文将这种基于散射机制的统计特征称为极化统计散射成分特征(SSC)，其中特征的维度是可根据需要进行设定的参数。散射分量-Wishart统计分布直方图综合了地物目标的散射机理以及数据统计特征，此外基于区域散射分量聚类直方图统计的方式也能综合样本区域内地物目标的纹理分布特征。

(d)本征维度特征获取形成SSC

由于一定区域内的获取的散射分类聚类直方图的维度一般较高，而实际上进行基于特征分布的域适应方法一般建立在低维度特征基础上。为了使得获取的子块聚类标号直方图统计特征更加适配于典型的非监督域适应算法，需要对高维特征进行降维以适配典型的特征分布对齐域适应方法。但是也要顾及高维特征中的本征特征，即本征维度的获取后，再进行降维。常用的本征维度估计方法有：

MLE(Maximum Likelihood Estimator for intrinsic dimensionality)方法通过建立数据与邻近(距离上的邻近)数据距离的似然函数，通过泊松过程推导得到本征维数的极大似然估计，属于Geometric method类别的本征维度估计方法。

DANCo(Dimensionality from Angle and Norm Concentration)综合利用数据与邻近数据的距离信息以及邻近数据点对之间的角度信息，该方法对于噪声数据有一定的鲁棒性，是近年来公认的适用面较广的本征维度估计方法之一。

MiNDkl(Correction method based on the comparison between pdfs,MinimumNeighbor Distance-Kullback Leibler)属于Correction method类别的本征维度估计方法。

MiNDml(Correction method based on the comparison between pdfs,MinimumNeighbor Distance-Maximum Likelihood)属于Correction method类别的本征维度估计方法。

经过本征维度估计获取后,结合主成分分析PCA,可将高维度的子块聚类标号直方图统计特征降维为保留本征信息的低维特征。形成极化统计散射成分特征SSC，以利于与跨域方法相适配。根据表2所述的基本极化特征基，双极化数据能选择的极化特征基包括双极化幅度，VV,VH及VV/VH三个幅度特征，这里将Sent-A、Sent-B、Sent-C三个时序的数据分别获取双极化幅度特征，包括三个通道的幅度特征，作为SSC特征获取的特征基。结合极化特征-Wishart聚类、子块聚类标号直方图统计、本征维度特征获取，形成时序双极化数据的SSC特征.

步骤3，源域SSC特征和目标域SSC特征无监督域适应；

进一步的，所述步骤3具体包括：

利用无监督域适应方法将统计散射成分特征F

具体实施时，考虑到SSC具有极化散射特性和PolSAR数据的统计特性，这些散射机制使得SSC对不同极化SAR数据具有一定的通用性。然而，SSC仍然具有单时相数据本身的特性。为了实现跨时相迁移学习样本复用分类，需要进一步采用无监督域自适应来克服各时相数据之间的特征分布偏移。无监督使源域SSC特征分布与目标域SSC特征分布相一致。在这种域适应之后，源域样本可以精确地应用于目标域数据。

所提出的SSC特征模式不需要特定的匹配域自适应方法，它可以适应许多经典的方法，例如子空间对齐(SA)、平衡分布自适应(BDA)、简单的迁移学习(EasyTL/ETL)、流形嵌入分布对齐(MEDA)，联合几何和统计对齐(JGSA)和基于结构化预测的选择性伪标记(SPSPL)。理论上，不仅这六种域适应方法可以使用，其他类似的特征级域适应也可以与SSC兼容。基于提出的SSC特征和典型的域适应方法，未标记的目标域可以通过源域标记样本进行分类。

基于特征分布(映射)的域适应方法是各个建立在低维空间下使得源领域数据与目标领域特征分布相同或者距离空间最小化。这样就可以利用低维空间表示的有标签的源领域样本数据训练分类器,对目标测试数据进行预测。

常用的经典的特征分布域适应类方法包括：GFK(Geodesic Flow Kernel，测地线核):GFK是子空间变换方面最为经典的无监督领域适配问题，基于SGF(Sample GeodesicFlow，采样测地线流方法)，它通过构造一条测地线完成特征映射，使源域靠近目标域.GFK方法的实施步骤为:选择最优的子空间维度进行变换，构建测地线，计算测地线流式核，构建分类器。

SA(Subspace Alignment,子空间对齐):子空间对齐方法直接寻找一个线性变换，把源域映射到目标域空间中，其域转移矩阵M通过Bregman矩阵散度距离评估源域变换和目标域之间的最小距离获取。

MEDA(Manifold Embedded Distribution Alignment,流形嵌入分布对齐):通过自适应的分布适配的方式，来减小流形空间中的源域目标域特征之间的距离，最终构建分类器。根据流形假设，嵌入在流形空间中的点和它们的邻域通常都有着相似的性质。因此，MEDA提出流形特征变换，以此来减小域之间的数据漂移；然后进行自适应的分布适配，最后学习分类器。

BAD(Balanced Distribution Adaptation，平衡分布适配):通过引入平衡因子动态衡量源域目标域边缘分布和条件分布的重要性。

EasyTL(Easy Transfer Learning,简单的迁移学习):通过域内对齐学习非参数传递特征，并通过域内编程学习传输分类。EasyTL还可以通过域内编程作为最终的分类器来提高现有TL方法的性能。该方法在域内编程中引入概率标注矩阵，简化和加快了超参数调优过程，同时在域间对齐上采用简单高效的CORAL算法，提升了计算效率。

SLPP(Supervised Locality Preserving Projection,基于结构预测的选择性伪标记):近年来很多非监督域适应方法开始利用伪标记的策略，通过对目标样本进行伪标记，可以使源域和目标域的条件分布与传统的有监督学习算法保持一致。基于结构预测的选择性伪标记(SLPP)策略灵感来自于目标域的样本在深度特征空间内具有良好的聚类特性，因此可以使用无监督聚类分析来促进准确的伪标记。

JGSA(Joint Geometrical and Statistical Alignment,联合几何及统计的对齐):该框架可用于减少源域和目标域之间的统计量上和几何上的差异(shift)。具体来说，就是学习源域和目标域上的两个投影(coupled projections)，将源域和目标域映射到一个低维空间当中，同时减少几何偏移(geometrical shift)和分布偏移(distributionshift)。不同于其他基于子空间的适应方法，JGSA不仅减少了子空间的几何偏移(reducethe shift of subspace geometr ies)并且减少了两个域之间的分布偏移，文中提到JGSA方法可以很容易的扩展到kernelized(核方法)来处理域之间的偏移是非线性的情况。

需要说明的是，常用的经典的特征分布域适应类方法理论上都可以用于不同时相数据(源域/目标域数据)的迁移学习域适应过程，不限于前文所述的7种域适应过程。这里可以选用默认较为快速高效的子空间对齐SA算法或者迁移效果较好的流形嵌入分布对齐MEDA。经过SSC特征表达以及时序数据源域目标域特征分布对齐域适应，时序数据之间的特征分布偏移被减少，使得源域的少量标注样本可以在多个无标注的目标域数据中进行复用。

步骤4，源域训练模型；

在上述实施例的基础上，所述步骤4具体包括：

利用已有的源域标签Y

具体实施时，可以利用已有的源域标签Y

步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；

可选的，所述步骤5具体包括：

利用训练好的分类器模型W直接对无标注的目标域特征F

具体实施时，可以利用训练好的分类器模型W直接对无标注的目标域特征F

步骤6，多时相数据变化区域获取及变化类别跟踪。

在上述实施例的基础上，所述步骤6具体包括：

对于分类结果，基于预先配准或者地理编码信息，将时序影像解译结果的变化信息进行定位，结合变化区域位置检测类别变化信息。

具体实施时，对于观测区域的多时相数据获取的监督分类或无监督迁移分类结果，基于预先配准或者地理编码信息，首先将时序影像解译结果的变化信息进行定位，结合变化区域位置以及类别变化信息。变化类别主要分为三类：植被类型变化CD_f、建筑类别变化CD_b以及水体类别变化CD_w。CD_f和CD_w变化多由植物自然生长和水体季节涨退引起，CD_b主要为人工建造或者人造目标运动等引起。

利用Sent-A数据的少量标注(仅标注样本的10％)，基于所提出的统计散射成分特征和随机森林(或者支持向量机等)分类器，可获取Sent-A数据的准确分类结果。基于所提出的统计散射成分和跨时相数据特征对齐方法，可实现将Sent-A数据的少量标注样本迁移至无标注的Sent-B数据和Sent-C数据，进行跨时相迁移学习分类。基于多时相数据分类和迁移学习分类结果，结合数据配准或地理编码，可以获取同一地区地物在多个时序期间发生变化的位置及地物类别具体转变情况跟踪。所获取的多时相数据地物类别变化信息能用于植被生长监测、水体涨落观测以及建筑扩张分析等应用。

具体实施时，以上流程可采用计算机软件技术实现自动运行，运行方法的系统装置也应当在本发明的保护范围内。

基于实施例所述的数据和步骤，能获取的Sent-A数据分类结果、时序数据Sent-B、Sent-C(无标注)的迁移学习分类结果，依次如图3所示。基于时序数据地物覆盖分类识别结果，可以获取时序数据之间具体地物覆盖类型变化结果(基于各时相数据地物标签识别结果转变情况后处理)，依次如图4所示。对于地物类型具体变化信息，依据实际应用中最受关注的地物变化应用将所获取的变化分为三类：植被类型变化CD_f，主要由于植物自然生长或者人工栽培收割等导致的变化；水体类型变化CD_w，多由和水体季节涨退引起或者水面大型船只群引起的变化；CD_b主要为人工建造拆除或者人造目标群运动等引起。

本实施例提供的基于极化统计散射成分迁移的极化SAR影像变化检测方法，有益效果为：1、发明了一种适用于时序极化SAR数据的无监督迁移学习变化检测解译方法，可将源域数据S有限的准确标注样本，在多个无标注的目标域时序数据T中进行样本复用，获取无标注目标域数据的地物类别和变化信息。

2、实现了一种基于极化散射机理的时序极化SAR影像无监督迁移学习方法，将有限的标注样本在更多的无标注数据中发挥监督作用，降低了极化SAR解译对于标注样本的需求，提高了实际应用时序极化SAR影像解译的效率。多种极化散射机理特征、多种迁移学习域适应模型均可以适配于本专利所述的SSC模式表达和时序数据解译方法中。

3、在样本有限条件下，自动获取无标注新进时序PolSAR数据中的地物变化类别信息，跟踪长时序PolSAR数据地物覆盖变化情况，能支撑自然资源调查、城市土地利用监测等应用。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。